2024/2025![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
Машинное обучение в экономических исследованиях
Статус:
Маго-лего
Кто читает:
Департамент прикладной экономики
Когда читается:
2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Потанин Богдан Станиславович
Язык:
русский
Кредиты:
3
Контактные часы:
28
Программа дисциплины
Аннотация
Курс посвящен использованию методов машинного обучения для прогнозирования экономических показателей и оценивания эффектов воздействия в экономических исследованиях. Эти навыки позволят слушателям курса решать широкий класс задач, таких как построение скоринговых моделей и прогнозирование поведения клиентов, а также оценивание эффективности государственных программ и решений в бизнесе.
Цель освоения дисциплины
- Научиться прогнозировать экономические показатели и оценивать эффекты воздействия с помощью методов машинного обучения.
Планируемые результаты обучения
- Обучающийся может назвать сильные и слабые стороны изученных методов классификации: байесовский классификатор, наивный байесовский классификатор, байесовские сети, метод ближайших соседей, решающие деревья, логистическая регрессия, метод опорных векторов.
- Обучающийся может привести гипотетические примеры использования методов классификации в прикладных и теоретических экономических исследованиях.
- Обучающийся может привести гипотетические примеры использования методов регрессионного анализа в прикладных и теоретических экономических исследованиях.
- Обучающийся может назвать сильные и слабые стороны изученных методов регрессионного анализа: регрессионные деревья, линейная регрессия.
- Обучающийся может объяснить, как используется регуляризация, как она влияет на смещение и дисперсию оценок, а также как подобрать оптимальный штраф.
- Обучающийся может записать и проинтерпретировать формулы среднего эффекта воздействия, условного среднего эффекта воздействия и локального среднего эффекта воздействия, а также объяснить различия между ними.
- Обучающийся может назвать предпосылки, а также сильные и слабые стороны методов машинного обучения, а также подходов, образованных по результатам синтеза методов машинного обучения и эконометрчиеских методов, используемых для оценивания различных видов эффектов воздействия, изучаемых в курсе.
- Обучающийся может объяснить проблему сравнения точности оценок условных средних эффектов воздействия, полученных различными методами.
- Обучающийся может мотивировать применение изученных методов оценивания эффектов воздействия для решения определенных экономических задач.
- Обучающийся может объяснить алгоритм, а также сильные и слабые стороны бэггинга, в частности, как он сказывается на дисперсии и смещении оценок.
- Обучающийся может объяснить алгоритм, а также сильные и слабые стороны градиентного бустинга. Кроме того, обучающийся может объяснить связь градиентного бустинга с градиентным спуском и способы предотвращения переобучения при использовании данного метода.
- Обучающийся может объяснить алгоритм случайного леса, а также сильные и слабые стороны данного подхода и его связь с бэггингом.
- Обучающийся может сформулировать различия между локальной и глобальной оптимизацией.
- Обучающийся может объяснить алгоритм градиентного спуска и генетический алгоритм, а также сформулировать основные различия между ними.
- Обучающийся может перечислить и объяснить на примере виды ошибок прогнозов.
- Обучающийся может описать сильные и слабые стороны различных способов измерения точности прогнозов.
- Обучающийся может объяснить мотивацию разделения выборки на тестовую и обучающую.
- Обучающийся может описать алгоритм кросс-валидации, а также объяснить необходимость его применения.
- Обучающийся может сформулировать проблему переобучения и привести гипотетических пример, в котором она возникает, а также описать способы борьбы с переобучением.
- Обучающийся может построить матрицу путаницы и проинтерпретировать ее.
- Обучающийся может сформулировать определение функции потерь и привести несколько примеров, а также объяснить какими соображениями следует руководствоваться при выборе конкретной функции потерь.
- Обучающийся может объяснить структуру нейронной сети, посчитать значение функции потерь при фиксированных параметрах нейронной сети, а также описать алгоритм обучения нейронной сети.
- Обучающийся может объяснить, что такое функция активации и привести пример такой функции.
- Обучающийся может объяснить алгоритм расчета градиента функции потерь по параметрам нейронной сети с помощью алгоритма обратного распространения ошибки.
- Обучающийся может объяснить необходимость регуляризации параметров нейронной сети, а также описать используемый для этого метод исключения.
Содержание учебной дисциплины
- Методы классификации в машинном обучении
- Методы регрессионного анализа в машинном обучении
- Машинное обучение в эконометрике
- Ансамбли в машинном обучении
- Численная оптимизация
- Качество прогнозов и выбор модели
- Глубинное обучение
Промежуточная аттестация
- 2024/2025 2nd module0.01 * Домашнее задание 1 + 0.29 * Домашнее задание 2 + 0.7 * Экзамен